CN109343060B - 基于深度学习时频分析的isar成像方法及系统 - Google Patents
基于深度学习时频分析的isar成像方法及系统 Download PDFInfo
- Publication number
- CN109343060B CN109343060B CN201811496140.7A CN201811496140A CN109343060B CN 109343060 B CN109343060 B CN 109343060B CN 201811496140 A CN201811496140 A CN 201811496140A CN 109343060 B CN109343060 B CN 109343060B
- Authority
- CN
- China
- Prior art keywords
- time
- data
- training
- short
- network model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
Abstract
本发明公开了一种基于深度学习时频分析的ISAR成像方法,首先设置ISAR成像模型,仿真产生回波数据;然后对回波数据做WVD变换和短时傅里叶变换,产生训练数据;设置网络模型,并用产生的训练数据对设置的网络模型进行训练;最后将训练后的网络模型与ISAR成像模型相结合进行成像;本发明提供的方法提高了时频分布图的频率分辨率;可以抑制交叉项;提高了ISAR成像的分辨率。
Description
技术领域
本发明涉及雷达成像技术领域,特别是基于深度学习时频分析的ISAR成像方法。
背景技术
合成孔径雷达的成像处理方法是研究领域的重要问题之一,高精度合成孔径雷达图像对于提高SAR干涉相位提取精度、图像识别精度,以及扩展合成孔径雷达应用范围具有重要意义;为了获得高分辨率的逆合成孔径雷达(ISAR)图像,传统的做法是使用RD算法和时频分析等算法。当目标的运动过于复杂时,RD算法的效果就会变差,而采用时频分析方法时,频率分辨率的提高和交叉项的减少是矛盾的。采用WVD(Wigner-Ville distribution)方法虽然频率分辨率很高,但是会产生交叉项,严重影响ISAR图像的质量,若采用短时傅里叶变换(STFT)虽然没有交叉项,但是频率分辨率很低。
发明内容
本发明的目的之一是提出基于深度学习时频分析的ISAR成像方法;本发明的目的之二是提出基于深度学习时频分析的ISAR成像系统,该方法充分利用深度学习来改善ISAR成像质量。
本发明的目的之一是通过以下技术方案来实现的:
本发明提供的基于深度学习时频分析的ISAR成像方法,包括以下步骤:
设置ISAR成像模型,仿真产生回波数据;
对回波数据做WVD变换和短时傅里叶变换,产生训练数据;
设置网络模型,并用产生的训练数据对设置的网络模型进行训练;
将训练后的网络模型与ISAR成像模型相结合进行成像。
进一步,所述回波数据按照以下公式处理:
其中,
s(τ)表示所有的点反射回来的信号;
sk(τ)表示第k个点反射回来的信号;
τ表示时间;k表示第k个点;
N是散射体的个数,ak表示第k个散射体的强度,fk是多普勒中心,γk是调频斜率。
进一步,所述回波数据的短时傅里叶变换按照以下公式进行如下:
其中,
STFTS(t,ω)表示短时傅里叶变换后的信号;
h(τ-t)表示窗函数;
ω表示频率;t表示时间;S(τ)表示反射回来的回波信号;
进一步,所述WVD变换的公式如下:
其中,
WVD(t,ω)表示经过Wigner-Ville distribution变换后的信号
s(τ)表示反射回来的回波信号;
进一步,所述ISAR成像模型的流程步骤,具体如下:
首先将数据进行距离压缩处理,得到原始输入数据;
然后取出距离压缩后的数据的第m个距离单元,对这一行进行短时傅里叶变换;
然后将短时傅里叶变换后的时频分布图输入到已经训练好的网络模型中去;
得到ISAR图像的预测结果。
进一步,所述训练数据的网络模型训练步骤具体如下:
设计神经网络架构;
获取训练样本,同时生成测试集;
在训练过程中,采用均方差作为损失函数,设置学习速率和批大小,同时采用Adam的优化方法;
直到达到预设训练迭代次数;
完成网络模型的训练。
本发明的目的之二是通过以下技术方案来实现的:
本发明提供的基于深度学习时频分析的ISAR成像系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤:
设置ISAR成像模型,仿真产生回波数据;
对回波数据做WVD变换和短时傅里叶变换,产生训练数据;
设置网络模型,并用产生的训练数据对设置的网络模型进行训练;
将训练后的网络模型与ISAR成像模型相结合进行成像。
进一步,所述回波数据按照以下公式处理:
其中,
s(τ)表示所有的点反射回来的信号;
sk(τ)表示第k个点反射回来的信号;
τ表示时间;k表示第k个点;
表示;;N是散射体的个数,ak表示第k个散射体的强度,fk是多普勒中心,γk是调频斜率。
进一步,所述回波数据的短时傅里叶变换按照以下公式进行如下:
其中,
STFTS(t,ω)表示短时傅里叶变换后的信号;
h(τ-t)表示窗函数;
ω表示频率;t表示时间;S(τ)表示反射回来的回波信号;
进一步,所述WVD变换的公式如下:
其中,
WVD(t,ω)表示经过Wigner-Ville distribution变换后的信号
s(τ)表示反射回来的回波信号;
所述ISAR成像模型的流程步骤,具体如下:
首先将数据进行距离压缩处理,得到原始输入数据;
然后取出距离压缩后的数据的第m个距离单元,对这一行进行短时傅里叶变换;
然后将短时傅里叶变换后的时频分布图输入到已经训练好的网络模型中去;
得到ISAR图像的预测结果;
所述训练数据的网络模型训练步骤具体如下:
设计神经网络架构;
获取训练样本,同时生成测试集;
在训练过程中,采用均方差作为损失函数,设置学习速率和批大小,同时采用Adam的优化方法;
直到达到预设训练迭代次数;
完成网络模型的训练。
由于采用了上述技术方案,本发明具有如下的优点:
本发明提供的基于深度学习时频分析的ISAR成像方法,首先设置ISAR成像模型,获取并输出回波数据;对回波数据做WVD变换和短时傅里叶变换,产生训练数据;然后通过训练数据进行网络模型训练;最后将训练的网络模型结合到ISAR成像模型中。本发明提供的方法提高了时频分布图的频率分辨率;可以抑制交叉项;提高了ISAR成像的分辨率。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
本发明的附图说明如下。
图1为本发明的短时傅里叶变换结果。
图2为本发明的WVD变换结果。
图3为本发明的网络架构。
图4为本发明的网络预测结果。
图5为本发明的实测数据短时傅里叶变换结果。
图6为本发明的实测数据的网络预测结果。
图7为本发明的原始ISAR成像流程。
图8为本发明的基于深度学习时频分析ISAR成像的流程。
图9为本发明的RD算法ISAR成像结果。
图10为本发明的短时傅里叶变换ISAR成像结果。
图11为本发明的深度学习时频分析的ISAR成像结果。
图12为基于深度学习时频分析的ISAR成像方法流程图。
图13为训练数据的网络模型训练流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
实施例1
如图所示,本实施例提供的基于深度学习时频分析的ISAR成像方法,包括以下步骤:
1.设置ISAR成像模型,获取回波数据,按照以下公式输出信号:
其中,
s(τ)表示所有的点反射回来的信号;
sk(τ)表示第k个点反射回来的信号;
τ表示时间;k表示第k个点;
表示;;N是散射体的个数,ak表示第k个散射体的强度,fk是多普勒中心,γk是调频斜率,实验中假设散射体个数为3个,ak全部为1,fk是符合U(-100,100)均匀分布的整数,γk是符合U(-30,30)均匀分布的整数;
2.对回波数据做WVD变换和短时傅里叶变换,产生训练数据:
对产生的回波数据,进行短时傅里叶变换得到时频分布图作为输入图片,公式如下:
其中,
STFTS(t,ω)表示短时傅里叶变换后的信号;
h(τ-t)表示窗函数;
ω表示频率;t表示时间;S(τ)表示反射回来的回波信号;
短时傅里叶变换的结果如图1所示。
同时单独对每一个散射体进行WVD变换,再把这三个单独产生的时频分布图叠加起来,作为参考图片,所述WVD变换的公式如下:
其中,
WVD(t,ω)表示经过Wigner-Ville distribution变换后的信号
s(τ)表示反射回来的回波信号;
WVD变换的时频分布图叠加结果如图2所示。
3.对产生的数据进行网络模型训练
设计网络架构如图3所示,用于深度学习的网络架构包括原始信号单元、短时傅里叶变换单元、卷积核大小25*25*1*6激活函数ReLU单元、卷积核大小15*15*6*24激活函数ReLU单元、卷积核大小5*5*24*24激活函数ReLU单元、卷积核大小3*3*24*1激活函数ReLU单元和输出图像单元;具体过程如下:生成1000个数据作为训练样本,同时生成10个样本作为测试集。在训练过程中,采用均方差作为损失函数模型,设置学习速率为0.0001,选择批大小为50,并采用Adam方法进行优化,也就是说每次输入50张图片到网络中训练,直到把1000张图片都输入到网络中训练一遍,这样的一个过程称为1次迭代,专利的整个训练过程经历了5次迭代。当模型训练完成时,把测试数据输入到网络中进行预测,其预测结果如图4所示。将实测数据经过短时傅里叶变换得到的时频分布图,如图5,输入到训练好的网络后得到预测结果如图6所示,频率分辨率得到了显著的提高。
4.将训练的网络模型结合到ISAR成像模型中
原始ISAR成像流程图如图7所示,首先,ISAR距离向压缩数据,MXN矩阵输入,选择第m个距离单元,m=1,…,M;然后进行短时傅里叶变换(STFT),生成时频分布平面上的时间片,最后合成输出ISAR图像;而图8是基于深度学习时频分析ISAR成像的流程,在短时傅里叶变换算法后面在加入已经训练好的神经网络模型,最后的成像流程如8所示。
为了进行对比,同时给出了RD算法的结果,结果如图9,同时采用短时傅里叶算法,结果如图10。最终使用神经网络,结果如图11所示,可以看出引入神经网络提高了ISAR图像的分辨率。
将深度学习加入到传统的ISAR成像流程中,最后的流程如图7示,
首先将数据进行距离压缩处理,得到原始输入数据,
然后取出距离压缩后的数据的第m个距离单元,对这一行进行短时傅里叶变换,
然后将短时傅里叶变换后的时频分布图输入到已经训练好的网络模型中去,
得到预测结果。
在预测结果中取出任意一列(取第150列)作为最后ISAR图像中的第m行,当把距离压缩后的数据的所有距离单元都处理完成后,就可以得到最后的成像结果。为了进行对比,用距离-多普勒(RD)算法对数据进行成像,结果如图9,同时采用短时傅里叶变换算法对数据进行成像,结果如图10。最后使用本方法对数据进行成像,结果如图11所示,从结果中可以看出,传统的ISAR成像流程在引入神经网络层后,可以提高ISAR成像的分辨率。
如图12所示:图12为基于深度学习时频分析的ISAR成像方法流程图,首先设置ISAR成像模型,获取回波数据;然后对回波数据做WVD变换和短时傅里叶变换,产生训练数据;设计如图3的网络模型,并用上述产生的训练数据对模型进行训练;最后原始的ISAR成像流程如图7所示,在短时傅里叶算法后面加入已经训练好的网络模型,最后的成像流程如图8所示。
如图13所示,图13为训练数据的网络模型训练流程图;具体如下:
设计神经网络架构;
获取训练样本,同时生成测试集;
在训练过程中,采用均方差作为损失函数,设置学习速率和批大小,同时采用Adam的优化方法;
直到达到预设训练迭代次数;
完成网络模型的训练。
本实施例还提供了一种基于深度学习时频分析的ISAR成像系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤:
设置ISAR成像模型,仿真产生回波数据;
对回波数据做WVD变换和短时傅里叶变换,产生训练数据;
设置网络模型,并用产生的训练数据对设置的网络模型进行训练;
将训练后的网络模型与ISAR成像模型相结合进行成像。
进一步,所述回波数据按照以下公式处理:
其中,
s(τ)表示所有的点反射回来的信号;
sk(τ)表示第k个点反射回来的信号;
τ表示时间;k表示第k个点;
表示;;N是散射体的个数,ak表示第k个散射体的强度,fk是多普勒中心,γk是调频斜率。
进一步,所述回波数据的短时傅里叶变换按照以下公式进行如下:
其中,
STFTS(t,ω)表示短时傅里叶变换后的信号;
h(τ-t)表示窗函数;
ω表示频率;t表示时间;S(τ)表示反射回来的回波信号;
进一步,所述WVD变换的公式如下:
其中,
WVD(t,ω)表示经过Wigner-Ville distribution变换后的信号
s(τ)表示反射回来的回波信号;
所述ISAR成像模型的流程步骤,具体如下:
首先将数据进行距离压缩处理,得到原始输入数据;
然后取出距离压缩后的数据的第m个距离单元,对这一行进行短时傅里叶变换;
然后将短时傅里叶变换后的时频分布图输入到已经训练好的网络模型中去;
得到ISAR图像的预测结果;
所述训练数据的网络模型训练步骤具体如下:
设计神经网络架构;
获取训练样本,同时生成测试集;
在训练过程中,采用均方差作为损失函数,设置学习速率和批大小,同时采用Adam的优化方法;
直到达到预设训练迭代次数;
完成网络模型的训练。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的保护范围当中。
Claims (3)
1.基于深度学习时频分析的ISAR成像方法,其特征在于:包括以下步骤:
设置ISAR成像模型,仿真产生回波数据;
对回波数据做WVD变换和短时傅里叶变换,产生训练数据;
所述回波数据按照以下公式处理:
其中,
s(τ)表示所有的点反射回来的信号;
sk(τ)表示第k个点反射回来的信号;
τ表示时间;k表示第k个点;
N是散射体的个数,ak表示第k个散射体的强度,fk是多普勒中心,γk是调频斜率;
对产生的回波数据,进行短时傅里叶变换得到时频分布图作为输入图片,所述回波数据的短时傅里叶变换按照以下公式进行如下:
其中,
STFTS(t,ω)表示短时傅里叶变换后的信号;
h(τ-t)表示窗函数;
ω表示频率;t表示时间;S(τ)表示反射回来的回波信号;所述WVD变换的公式如下:
其中,
WVD(t,ω)表示经过Wigner-Villedistribution变换后的信号;
同时单独对每一个散射体进行WVD变换,再将单独产生的时频分布图叠加起来,作为参考图片;
设置网络模型,并用产生的训练数据对设置的网络模型进行训练;
将训练后的网络模型与ISAR成像模型相结合进行成像,具体如下;
首先将数据进行距离压缩处理,得到原始输入数据;
然后取出距离压缩后的数据的第m个距离单元,对第m个距离单元的数据进行短时傅里叶变换;
然后将短时傅里叶变换后的时频分布图输入到已经训练好的网络模型中去;
得到预测结果。
2.如权利要求1所述的基于深度学习时频分析的ISAR成像方法,其特征在于:所述训练数据的网络模型训练步骤具体如下:
设计神经网络架构;
获取训练样本,同时生成测试集;
在训练过程中,采用均方差作为损失函数,设置学习速率和批大小,同时采用Adam的优化方法;
直到达到预设训练迭代次数;
完成网络模型的训练。
3.基于深度学习时频分析的ISAR成像系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现以下步骤:
设置ISAR成像模型,仿真产生回波数据;
对回波数据做WVD变换和短时傅里叶变换,产生训练数据;
所述回波数据按照以下公式处理:
其中,
s(τ)表示所有的点反射回来的信号;
sk(τ)表示第k个点反射回来的信号;
τ表示时间;k表示第k个点;
N是散射体的个数,ak表示第k个散射体的强度,fk是多普勒中心,γk是调频斜率;
对产生的回波数据,进行短时傅里叶变换得到时频分布图作为输入图片,所述回波数据的短时傅里叶变换按照以下公式进行如下:
其中,
STFTS(t,ω)表示短时傅里叶变换后的信号;
h(τ-t)表示窗函数;
ω表示频率;t表示时间;S(τ)表示反射回来的回波信号;
所述WVD变换的公式如下:
其中,
WVD(t,ω)表示经过Wigner-Ville distribution变换后的信号;
同时单独对每一个散射体进行WVD变换,再将单独产生的时频分布图叠加起来,作为参考图片;
设置网络模型,并用产生的训练数据对设置的网络模型进行训练;
将训练后的网络模型与ISAR成像模型相结合进行成像,具体如下;
首先将数据进行距离压缩处理,得到原始输入数据;
然后取出距离压缩后的数据的第m个距离单元,对第m个距离单元的数据进行短时傅里叶变换;
然后将短时傅里叶变换后的时频分布图输入到已经训练好的网络模型中去;
得到预测结果;
所述训练数据的网络模型训练步骤具体如下:
设计神经网络架构;
获取训练样本,同时生成测试集;
在训练过程中,采用均方差作为损失函数,设置学习速率和批大小,同时采用Adam的优化方法;
直到达到预设训练迭代次数;
完成网络模型的训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811496140.7A CN109343060B (zh) | 2018-12-07 | 2018-12-07 | 基于深度学习时频分析的isar成像方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811496140.7A CN109343060B (zh) | 2018-12-07 | 2018-12-07 | 基于深度学习时频分析的isar成像方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109343060A CN109343060A (zh) | 2019-02-15 |
CN109343060B true CN109343060B (zh) | 2021-01-29 |
Family
ID=65303456
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811496140.7A Active CN109343060B (zh) | 2018-12-07 | 2018-12-07 | 基于深度学习时频分析的isar成像方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109343060B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109901166A (zh) * | 2019-03-28 | 2019-06-18 | 中国人民解放军战略支援部队航天工程大学 | 一种快速生成与模拟isar回波数据的方法 |
CN110243885A (zh) * | 2019-07-09 | 2019-09-17 | 东营智图数据科技有限公司 | 一种基于时频特征的低产气油井井口含水率预测方法 |
CN110632132A (zh) * | 2019-07-09 | 2019-12-31 | 东营智图数据科技有限公司 | 一种基于多传感器测量及深度卷积神经网络的高产气油井井口产液含水率预测方法 |
US11551116B2 (en) | 2020-01-29 | 2023-01-10 | Rohde & Schwarz Gmbh & Co. Kg | Signal analysis method and signal analysis module |
CN111427091B (zh) * | 2020-05-06 | 2023-05-02 | 芯元(浙江)科技有限公司 | 挤压短时傅里叶变换的地震勘探信号随机噪声压制方法 |
CN113253272B (zh) * | 2021-07-15 | 2021-10-29 | 中国人民解放军国防科技大学 | 基于sar距离压缩域图像的目标检测方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105844279A (zh) * | 2016-03-22 | 2016-08-10 | 西安电子科技大学 | 基于深度学习和sift特征的sar图像变化检测方法 |
CN107463989A (zh) * | 2017-07-25 | 2017-12-12 | 福建帝视信息科技有限公司 | 一种基于深度学习的图像去压缩伪影方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1327242C (zh) * | 2004-07-26 | 2007-07-18 | 电子科技大学 | 逆合成孔径雷达机动多目标相对运动补偿方法 |
CN101710177B (zh) * | 2009-12-22 | 2012-05-30 | 电子科技大学 | 一种逆合成孔径雷达多目标成像的方法 |
CN103323842A (zh) * | 2012-09-03 | 2013-09-25 | 中国科学院电子学研究所 | 一种调频连续波合成孔径雷达中的成像方法及装置 |
CN104318245A (zh) * | 2014-10-20 | 2015-01-28 | 西安电子科技大学 | 基于稀疏深度网络的极化sar图像分类 |
CN104459668B (zh) * | 2014-12-03 | 2017-03-29 | 西安电子科技大学 | 基于深度学习网络的雷达目标识别方法 |
CN107256396A (zh) * | 2017-06-12 | 2017-10-17 | 电子科技大学 | 基于卷积神经网络的船目标isar图像特征学习方法 |
CN108229404B (zh) * | 2018-01-09 | 2022-03-08 | 东南大学 | 一种基于深度学习的雷达回波信号目标识别方法 |
CN108898218A (zh) * | 2018-05-24 | 2018-11-27 | 阿里巴巴集团控股有限公司 | 一种神经网络模型的训练方法、装置、及计算机设备 |
CN108872988B (zh) * | 2018-07-12 | 2022-04-08 | 南京航空航天大学 | 一种基于卷积神经网络的逆合成孔径雷达成像方法 |
-
2018
- 2018-12-07 CN CN201811496140.7A patent/CN109343060B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105844279A (zh) * | 2016-03-22 | 2016-08-10 | 西安电子科技大学 | 基于深度学习和sift特征的sar图像变化检测方法 |
CN107463989A (zh) * | 2017-07-25 | 2017-12-12 | 福建帝视信息科技有限公司 | 一种基于深度学习的图像去压缩伪影方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109343060A (zh) | 2019-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109343060B (zh) | 基于深度学习时频分析的isar成像方法及系统 | |
US10018698B2 (en) | Magnetic resonance rapid parameter imaging method and system | |
Lorintiu et al. | Compressed sensing reconstruction of 3D ultrasound data using dictionary learning and line-wise subsampling | |
US11830111B2 (en) | Magnetic resonance imaging method, device, medical device and storage medium | |
CN110807492B (zh) | 一种磁共振多参数同时定量成像方法及系统 | |
CN109270525B (zh) | 基于深度学习的穿墙雷达成像方法及系统 | |
CN109658468B (zh) | 磁共振参数成像方法、装置、设备及存储介质 | |
CN110726992B (zh) | 基于结构稀疏和熵联合约束的sa-isar自聚焦法 | |
CN108318879B (zh) | 基于iaa谱估计技术的isar图像横向定标方法 | |
CN104076360B (zh) | 基于压缩感知的二维sar稀疏目标成像方法 | |
Tang et al. | Compressive radar imaging of stationary indoor targets with low-rank plus jointly sparse and total variation regularizations | |
CN113238227B (zh) | 一种结合深度学习的改进最小二乘相位解缠方法及系统 | |
CN108107428B (zh) | 用于mimo阵列的相移偏移成像方法及装置 | |
CN112754529A (zh) | 基于频域迁移的超声平面波成像方法、系统及存储介质 | |
CN106990392B (zh) | 一种基于随机步进频信号的空间目标微动信息获取方法 | |
EP2817655A2 (en) | Systems and methods for image sharpening | |
CN110146836B (zh) | 一种磁共振参数成像方法、装置、设备及存储介质 | |
CN117471457A (zh) | 基于深度展开复网络的稀疏sar学习成像方法、装置及介质 | |
Burfeindt et al. | Receive-beamforming-enhanced linear sampling method imaging | |
Gan et al. | SS-JIRCS: Self-supervised joint image reconstruction and coil sensitivity calibration in parallel MRI without ground truth | |
CN104849713B (zh) | 一种基于slim算法的sar成像实现方法 | |
CN113885026A (zh) | 运动目标的sar稀疏成像方法、装置、电子设备及存储介质 | |
Zha et al. | An iterative shrinkage deconvolution for angular superresolution imaging in forward-looking scanning radar | |
CN113253266A (zh) | 基于短时迭代自适应法的高分辨isar成像方法和系统 | |
CN114114246A (zh) | 穿墙雷达成像方法、系统、终端设备及可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |